ai-engineer

AI 工程师技能

技能概述

构建生产级大语言模型应用、高级 RAG 系统和智能 AI 代理的专家级技能，涵盖向量搜索、多模态 AI 和企业 AI 集成。

适用场景

企业知识库与智能问答

构建基于企业文档的 RAG 系统，实现精准的语义检索和智能问答，支持多种文档格式和混合搜索策略。

AI 智能体与自动化工作流

设计多智能体协作系统，实现复杂的任务编排和工具调用，适用于客服机器人、研究助手和业务自动化场景。

LLM 应用生产化部署

将大语言模型集成到生产环境，包括成本优化、性能调优、安全监控和灰度发布，确保系统稳定可靠。

核心功能

高级 RAG 系统架构

支持多阶段检索管道、混合向量搜索、查询优化和上下文压缩。集成主流向量数据库（Pinecone、Qdrant、Weaviate），实现高准确率的知识检索。

AI 智能体框架开发

基于 LangChain、LangGraph、LlamaIndex 和 CrewAI 构建复杂的智能体系统，支持多模态工具调用、记忆管理和状态编排。

生产级 AI 系统运维

提供完整的监控、缓存、降级和成本控制方案，支持流式推理、A/B 测试和模型路由，确保大规模部署的稳定性。

常见问题

AI 工程师技能适合什么场景使用？

适合所有需要集成大语言模型的场景，包括企业知识库问答、智能客服、内容生成、代码助手、数据分析等。尤其擅长需要高准确率检索和复杂推理的生产级应用。

如何构建生产级的 RAG 系统？

核心组件包括：文档处理与 chunking 策略、向量数据库选型、嵌入模型选择、混合检索（向量+关键词）、重排序优化，以及查询理解和上下文压缩。该技能提供从架构设计到性能调优的完整方案。

LLM 应用如何控制成本？

通过模型选择策略（GPT-4o/Claude/开源模型组合）、语义缓存、提示优化、批处理和监控告警来降低成本。该技能内置成本优化最佳实践，支持根据场景自动选择最经济的模型。

向量数据库应该选择哪个？

根据规模和需求选择：Pinecone 适合快速上线，Qdrant 适合自部署，Weaviate 提供丰富的过滤功能，pgvector 适合已有 PostgreSQL 的场景。该技能支持所有主流向量数据库，可提供选型建议。

多智能体系统如何设计？

采用角色分工、协作编排和记忆共享模式。支持单一智能体完成简单任务，多智能体协作处理复杂工作流。基于 LangGraph 和 CrewAI 实现状态管理和任务分发。

AI 应用如何保证安全性？

内置多层安全防护：内容审核、提示注入检测、PII 识别脱敏、访问控制和审计日志。支持合规性检查和红队测试，确保企业级安全要求。

RAG 系统如何提升检索准确率？

采用混合检索（向量+BM25）、查询扩展和分解、重排序模型、上下文压缩和负反馈优化。该技能支持 GraphRAG、HyDE 等高级模式，显著提升检索质量。

企业部署 LLM 应用的最佳实践是什么？

采用渐进式部署：POC 验证、小规模试点、灰度发布和全量上线。重点关注可观测性、降级策略、成本监控和模型版本管理。该技能提供完整的生产部署框架。